什么是动作捕捉：数字人为什么会抬手点头

电影片尾的花絮里，演员穿着贴满小球的紧身衣，在一片空地上对着空气比划，监视器里却出现一只正在爬树的大猩猩。这套让真人的动作跑到另一个身体上的技术，就是动作捕捉。数字人抬手、点头、转身，背后多半也是它在起作用。名字听着高深，它其实只做一件事：把人的动作变成一串数字。

一、动捕捕捉的不是动作，是关节角度

人身上有两百多块骨头，能自己活动的关节大约几十个。动作捕捉不去管肌肉怎么收缩、皮肤怎么褶皱，它只记录每个关节在每一刻转到什么角度、处在什么位置。就像给木偶的每个关节都插上一支笔，木偶动一下，纸上就留下一段轨迹；机器把这串轨迹抄下来，再交给另一个身体照着做。所以动捕的本质是抄作业，抄的是角度和时间，不抄长相。也正因为如此，同一段动作数据既能套在运动员身上，也能套在一只卡通猫身上，因为两副身体底下的骨架是同一套结构。

二、光学动捕：一圈摄像机盯着你身上的反光球

最常见的一条路叫光学动捕。演员穿一件紧身衣，身上几十个关键位置贴着小球，球面涂了反光材料。房间四周架十几台甚至几十台专用摄像机，每台都用红外光去照，只认那些亮得像小灯泡的球。任意一台摄像机只能看到球在画面里的方向，看不到距离；但几台同时看，用三角测量的办法就能算出每个球在空间里的准确位置。这跟人用两只眼睛判断远近是同一个道理，只不过机器用了十几只眼睛。这套方案精度高、动作细腻，缺点是贵，而且要专门的场地，不容易搬到户外。还有一个细节容易被忽略：反光球必须贴在骨头的实际位置上，贴歪一指宽，最后算出来的动作就有偏差，所以穿动捕服这件事本身也要有一套固定流程，贴几个点、贴在哪里，都不能临时决定。

三、视觉动捕：不穿紧身衣，一个摄像头也能凑合

第二条路叫视觉动捕，也叫无标记动捕。演员什么都不用穿，站在普通摄像头前就行。机器先用图像识别把人从背景里抠出来，再猜出头、肩、肘、腕这些关键点在哪。它靠的是从海量真人视频里学出来的经验，见过足够多的人走路，就能从轮廓推断姿势。好处是门槛低到一部手机就能拍，坏处是容易猜错：手被身体挡住、衣服太宽松、光线太暗，都会让关键点跳来跳去，动作出现抖动。所以这类方案更适合聊天、短视频这种对精度要求不高的场景。这也是为什么有些手机应用会提示你举着手机绕自己转半圈，多拍几个角度，就是为了减少它猜错的次数。

四、还有第三条路：靠小盒子里的陀螺仪

• 惯性动捕：身上绑十几个小盒子，盒子里装着陀螺仪和加速度计，靠感知转动和位移来推算姿势
• 优点是不怕遮挡、能搬到户外，一套设备从几千到几万元不等
• 缺点是时间一长会漂移，位置越算越偏，通常要配合摄像头做校正

补一句：这三条路经常混着用。比如主体动作靠惯性设备，手指和脸靠摄像头，最后把几路数据对齐到同一条时间轴上。选哪条路，取决于你要的是精细度还是便携性，这两样很难同时占。

五、抄来的动作，为什么还要重新对一遍

拿到动作数据不等于就完事了。真人的胳膊长度和数字人的胳膊长度不一样，直接套上去，手会穿进身体里，脚会浮在空中。所以中间还有一道工序叫重定向，意思就是把同一套动作翻译成适合这具身体的版本：肩膀角度照抄，但手臂摆动的幅度要按比例缩放，落脚位置要重新算，保证脚踩在地上而不是飘着。这道工序做得好不好，直接决定动作自不自然。很多数字人看着像在滑冰，就是重定向没处理好，脚和地面没对上。还有一个麻烦是体型比例：如果数字人头特别大、腿特别短，同一段动作套上去就会走形，有的团队干脆反过来做，先定好动作要好看，再按这套动作去调模型比例。

想判断一个数字人的动作做得行不行，有个笨办法：盯着它的脚和手看十秒。脚有没有踩实、手有没有穿过身体、静止时有没有细微晃动，这三处最容易露馅。动作捕捉是把真人的习惯搬过来，习惯是藏不住的，抄得糙，一眼就能看出来。